一种笔迹练习系统的练习笔迹自动评测方法技术方案

一种笔迹练习系统的练习笔迹自动评测方法，包括字迹图像输入模块、数据库检索模块、字迹识别模块、匹配度差异分析模块和字体评测模块，将手写笔迹转化为数字图像，基于计算机视觉算法进行二值化处理和边缘检测，实现手写字体的识别与标准字体进行匹配度分析，基于匹配度差异实现练习笔迹的自动测评方法。其应用层面广，经济成本低，可以推广至广泛的社会应用，带来良好的社会办公和教育效益。带来良好的社会办公和教育效益。带来良好的社会办公和教育效益。

【技术实现步骤摘要】
一种笔迹练习系统的练习笔迹自动评测方法


[0001]本专利技术涉及文体教育领域，具体地说，涉及一种笔迹练习系统的练习笔迹自动评测方法。

技术介绍

[0002]对笔迹极为重视的思想自古已有，“字如其人”的说法一直流传至今，笔迹一直被认为是一个人性格的体现，在一部分心理测验中甚至直接通过书写人的笔迹特征来推断其人所处的状态。科学技术的发展使人们的书写方式发生了翻天覆地的变化，人们对于练字的需求越来越高，但是业余者仍需一个完善的字迹评价方法，本专利技术对字体的练习本专利技术包括字迹图像输入模块、数据库检索模块、字迹识别模块、字体匹配度差异分析模块和字体评测模块。将手写笔迹转化为数字图像，基于计算机视觉算法进行二值化处理和边缘检测，实现手写字体的识别与标准字体进行匹配度分析，基于匹配度差异实现练习笔迹的自动测评方法。其应用场景广泛，应用限制较低，具有教育价值和社会意义。

技术实现思路

[0003]本专利技术的目的在于提供一种笔迹练习系统的练习笔迹自动评测方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，一种笔迹练习系统的练习笔迹自动评测方法，包括字迹图像输入模块、数据库检索模块、字迹识别模块、匹配度差异分析模块和字体评测模块；采集手写笔迹并转化为以像素为单位的数据图像，基于实时的计算机视觉中的Canny算法模型对笔迹数据图像进行边缘检测，利用字体匹配算法引入改进的高斯函数处理约束度量P
mn
计算手写字体与标准字体的匹配度差异性，基于差异性分析的结果对差异性进行评估打分，依据打分结果对用户的手写字体进行自动测评，为用户提供更为客观的习字测评方法。
[0005]进一步的，所述字迹图像输入模块，本专利技术利用移动摄像机设备采集手写字体后，为了提高手写字体的识别精度，使用神经网络和传统的机器学习方法对图像进行检测和识别，为了缓解图像识别中过拟合的现象，采用去除均值的方法，采用灰度化、二值化和归一化处理，对原始手写字体图像RGB三个色彩通道分量加权平均得到灰度图像，然后采用全局阈值处理算法自动选取最佳阈值T，最终达到二值化处理的目标。为了提高手写字体中不同笔画特征识别的准确性，将图像语义分割的像素点统一大小归一化成64
×
64像素。
[0006]进一步的，所述字迹图像输入模块，本专利技术在数据输入之前进行PCA降维操作确保特征信息不丢失，除此以外，在采集手写字体数据集中，由于通过摄像头采集，过程中存在一定的倾斜，因此在预处理的过程中采用Hough变换检测图像的边缘直线并调整其倾斜程度。同时，本专利技术还利用滤波器去除手写字体图像框线。
[0007]进一步的，所述数据库检索模块，本专利技术使用的MongoDB是基于分布式文件系统的NoSQL开源数据库项目，它是一个高性能且可扩展的数据库。它使用C++编程语言开发，使用类BSON(BinaryJSON)松散式格式，可存储比较复杂的数据类型，可作为Web应用程序优秀的
数据源。MongoDB提供了索引、聚合、分片和负载均衡等功能，支持大规模数据批处理，是一种介于关系型数据库和非关系型数据之间的数据库，其读写效率高字迹数据信息存储在JSON中，查询数据时用很少的时间就可查询到磁头，相比于关系模型的二维表，在IO性能上有明显优势。同时可扩展能力强。由于多节点数据关联存在性能问题，因此关系型数据库很难做分布式。而字迹数据不考虑关联，数据容易分库，水平扩展比较容易。关系模型中二维表表示数据相对固定；数据结构灵活，且字迹数据与对象模型十分类似，无需经过对象关系映射双向转换，可直接用于内存和存储之间相互操作。
[0008]进一步的，所述数据库检索模块，本专利技术采用基于模式图的方法进行数据库MongoDB检索，在数据库中，包括字体完成的时间，书写人，字的行列号等信息，数据库的模式数据图G(V，E)为V＝{v1，v2，v3，
…
，v
n
}；E＝{e1，e2，e3，
…
，e
n
}。
[0009]其中，e1＝(v1，v2)，e2＝(v2，v3)，
…
，e
i
＝(v
i
，v
j
)，v
i
，v
j
∈V；
[0010]数据图G包含节点集合V和边集合E，关系中R的任意元组记录表示为节点，元组与元组间的主外键关联表示为边。若属于不同关系R的两个元组T
i
，T
j
有主外键关联，则在数据库的模式数据图G中有相应的一条边e(v
i
，v
j
)表示。
[0011]进一步的，所述字迹识别模块，所述字迹识别模块，假设两个笔划间的距离为l，利用改进的高斯函数处理约束度量P
mn
就可表示为：
[0012][0013]其中，l0表示初始时两笔划间的距离，σ表示高斯函数标准差，m与n表示笔划起末点。改进的高斯函数处理约束度量P
mn
相比于传统的高斯函数处理约束度量，增加了数据量级，更符合本专利技术数据要求，提高了计算精度。采用等时间距离采样方法采集笔划轨迹，定义初始轨迹点，计算初始轨迹点与采样轨迹的最近距离，计算公式如下：
[0014][0015]其中，a
c
表示定义的初始轨迹点，G表示轨迹，与表示初始轨迹点的坐标值，与分别表示轨迹点序列坐标值：将上述计算得到的距离值作为训练样本，采用K
‑
mean聚类算法处理该训练样本，随机选取n个聚类初始中心点η1，η2，
…
，η
n
，γ
j
表示η
n
的聚类属性值，计笔划轨迹中起点与终点间的距离d，计算公式为：
[0016]d＝argmin
j
||x
i
‑
η
j
||2+argmin
j
||y
i
‑
γ
j
||2[0017]其中，x
i
表示待聚类点坐标的变量值，y
i
表示待聚类点坐标变量对应的属性值，上式计算的目的在于考虑聚类属性的权重，计算并更新该类中心点，计算公式为：
[0018][0019]其中，参数含义保持不变，参照上述计算公式聚类处理所有的笔划轨迹，直至中心点不发生变化：将数值不变的中心点作为识别的类中心，再分配到对应类的类中心中，即可完成对笔划运动轨迹的自动识别。
[0020]进一步的，所述字迹识别模块，采用Canny算法进行图像降噪处理，采用一种基于小波变换与双边滤波的方法代替改进高斯滤波器，一个原始字迹图像信号通过小波分解后变为高频和低频部分，高频部分经过分离后，可以选择合适的小波系数进行阈值去噪处理；
之后将它与低频部分进行重构，得到高频去噪图，再利用双边滤波对高频去噪图中的低频信号进行去噪处理，最后通过小波逆变换得到去噪后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种笔迹练习系统的练习笔迹自动评测系统，包括字迹图像输入模块、数据库检索模块、字迹识别模块、匹配度差异分析模块和字体评测模块；采集手写笔迹并转化为以像素为单位的数据图像，基于实时的计算机视觉中的Canny算法模型对笔迹数据图像进行边缘检测，利用字体匹配算法引入改进的高斯函数处理约束度量P
mn
计算手写字体与标准字体的匹配度差异性，基于差异性分析的结果对差异性进行评估打分，依据打分结果对用户的手写字体进行自动测评，为用户提供更为客观的习字测评方法。2.根据权利要求1所述一种笔迹练习系统的练习笔迹自动评测系统，其特征在于，所述字迹图像输入模块，利用移动摄像机设备采集手写字体后，为了提高手写字体的识别精度，使用神经网络和传统的机器学习方法对图像进行检测和识别，为了缓解图像识别中过拟合的现象，采用去除均值的方法，采用灰度化、二值化和归一化处理，对原始手写字体图像RGB三个色彩通道分量加权平均得到灰度图像，然后采用全局阈值处理算法自动选取最佳阈值T，最终达到二值化处理的目标；为了提高手写字体中不同笔画特征识别的准确性，将图像语义分割的像素点统一大小归一化成64
×
64像素。3.根据权利要求2所述一种笔迹练习系统的练习笔迹自动评测系统，其特征在于，所述字迹图像输入模块，在数据输入之前进行PCA降维操作确保特征信息不丢失，除此以外，在采集手写字体数据集中，由于通过摄像头采集，过程中存在一定的倾斜，因此在预处理的过程中采用Hough变换检测图像的边缘直线并调整其倾斜程度，同时利用滤波器去除手写字体图像框线。4.根据权利要求1所述一种笔迹练习系统的练习笔迹自动评测系统，其特征在于，所述数据库检索模块，使用MongoDB数据库基于分布式文件系统的NoSQL开源数据库项目，基于C++编程语言开发，使用类BSON松散式格式。5.根据权利要求4所述一种笔迹练习系统的练习笔迹自动评测系统，其特征在于，所述数据库检索模块，采用基于模式图的改进方法进行数据库MongoDB检索，在数据库中包括字体完成的时间、用户名和字的行列号信息，数据库的模式数据图G(V，E)为V＝{v1，v2，v3，
…
，v
n
}；E＝{e1，e2，e3，
…
，e
n
}，其中，e1＝(v1，v2)，e2＝(v2，v3)，
…
，e
i
＝(v
i
，v
j
)，v
i
，v
j
∈V；数据图G包含节点集合V和边集合E，关系中R的任意元组记录表示为节点，元组与元组间的主外键关联表示为边；若属于不同关系R的两个元组T
i
，T
j
有主外键关联，则在数据库的模式数据图G中有相应的一条边e(v
i
，v
j
)表示。6.根据权利要求1所述一种笔迹练习系统的练习笔迹自动评测系统，其特征在于，所述字迹识别模块，假设两个笔划间的距离为l，利用改进的高斯函数处理约束度量P
mn
表示为:其中，l0表示初始时两笔划间的距离，σ表示高斯函数标准差，m与n表示笔划起末点，采用等时间距离采样方法采集笔划轨迹，定义初始轨迹点，计算初始轨迹点与采样轨迹的最近距离，计算公式如下：
其中，a
c
表示定义的初始轨迹点，G表示轨迹，与表示初始轨迹点的坐标值，与分别表示轨迹点序列坐标值，将上述计算得到的距离值作为训练样本，采用K
‑
mean聚类算法处理该训练样本，随机选取n个聚类初始中心点η1，η2，
…
，η
n
，γ
j
表示η
n
的聚类属性值，计笔划轨迹中起点与终点间的距离d，计算公式为:d＝argmin
j
‖x
i
‑...

【专利技术属性】
技术研发人员：华敏，
申请(专利权)人：江苏乐易智慧科技有限公司，
类型：发明
国别省市：